Shaking Up Activity Counts: Assessing the Comparability of Accelerometers and Activity Count Computation
Notice bibliographique
Résumé
Accelerometers have been at the forefront of free-living activity capture for decades, and accordingly ActiGraph the largest distributor. Historically, limitations in data storage and battery power led to the use of summary metrics, which have been termed activity counts. Recently, ActiGraph publicly released their count-based algorithm, marking a notable development in the field. This study aimed to assess and compare activity counts generated through different processing techniques (ActiLife and open-source), filters that are available through ActiGraph count generation (normal- and low-frequency extension), and data from various ActiGraph models and GENEActiv devices. We evaluated ActiGraph GT3X+ ( n = 8), ActiGraph wGT3X-BT ( n = 10), ActiGraph GT9X ( n = 8; primary and secondary sensors), OPAL ( n = 6), and GENEActiv ( n = 5), subjected to oscillations across their full dynamic range (0.005–8 G) using a multiaxis shaker table. Results indicated that the low-frequency extension produced significantly higher counts compared to the normal frequency across the devices and processing techniques. Notably, open-source counts (R and Python) were statistically equivalent to ActiLife-generated counts ( p < .05) for the GT9X, wGT3X-BT, and the GT3X+. Overall, many of the counts generated by different ActiGraph models were statistically equivalent or had mean differences <5.03 counts. Conversely, the GENEActiv, OPAL, and GT9X secondary monitor exhibited significantly higher responses than the other ActiGraph models at higher frequencies with mean differences ranging from 55.50 to 104.91 counts. This study provides insights into accelerometer data processing methods and highlights the comparability of counts across different devices and techniques.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».